MATLAB实现的基于随机有限集与BOT模型的PHD粒子滤波多目标跟踪系统

资 源 简 介

本项目在MATLAB中实现了一种基于概率假设密度（PHD）滤波的粒子滤波多目标跟踪算法，采用方位-时间（BOT）测量模型，能够有效处理多目标状态估计问题，适用于复杂跟踪场景。

详 情 说 明

基于随机有限集与BOT测量模型的PHD粒子滤波多目标跟踪系统

项目介绍

本项目实现了一种先进的概率假设密度（PHD）粒子滤波多目标跟踪算法，专门针对方位-时间（Bearing-Only Tracking, BOT）测量场景设计。系统采用随机有限集理论框架，能够有效处理目标数量未知、目标动态出现和消失的复杂跟踪环境。通过序贯蒙特卡洛方法实现PHD滤波的递推计算，适用于雷达、声纳等仅能获取目标方位角信息的实际应用场景。

功能特性

• 多目标跟踪能力：自动估计场景中目标数量变化，处理目标新生、消亡过程
• BOT测量模型：专门针对方位角测量设计，解决非线性观测问题
• 粒子滤波实现：采用序贯蒙特卡洛方法近似PHD分布，处理非线性非高斯系统
• 完整的滤波流程：包含状态预测、测量更新、粒子重采样等核心模块
• 性能评估：提供OSPA距离误差、目标数量估计误差等量化指标
• 可视化输出：实时显示粒子云分布、目标轨迹跟踪结果

使用方法

输入数据配置

1. 传感器观测数据：准备方位角测量序列（弧度制），包含对应的时间戳信息
2. 系统参数设置：配置过程噪声协方差、测量噪声方差、目标存活概率、新生目标强度等参数
3. 初始状态指定：设置初始目标位置估计（支持直角坐标系或极坐标系）
4. 算法参数调整：根据需求设定粒子数量、重采样阈值、有效粒子数判断标准

运行流程

1. 修改配置文件参数以适应具体应用场景
2. 加载传感器测量数据文件
3. 执行主程序启动多目标跟踪过程
4. 查看输出的状态估计结果和性能指标
5. 分析生成的PHD分布可视化和目标轨迹图

输出结果

• 每个时间步的目标数量估计和状态向量（位置、速度）
• PHD粒子云分布图，直观展示目标存在概率密度
• OSPA距离误差和目标数量估计误差统计报告
• 各目标的时间序列状态估计轨迹数据

系统要求

软件环境

• MATLAB R2018b或更高版本
• 必需工具箱：统计和机器学习工具箱、图像处理工具箱

硬件建议

• 内存：8GB以上（粒子数量较大时建议16GB）
• 处理器：Intel i5或同等性能以上
• 存储空间：1GB可用空间用于数据存储和处理

文件说明

主程序文件整合了多目标跟踪系统的完整处理流程，实现了传感器数据读取与预处理、粒子集合初始化、PHD滤波递推执行、目标状态提取与估计、跟踪结果可视化展示以及性能指标计算等核心功能。该文件通过协调各功能模块的调用顺序，完成了从原始方位测量数据到最终多目标状态估计的全套处理链，确保了算法逻辑的正确执行和结果的有效输出。